如何在 Postgresql 中实现对复杂嵌套 JSONB 的全文搜索
Posted
技术标签:
【中文标题】如何在 Postgresql 中实现对复杂嵌套 JSONB 的全文搜索【英文标题】:How to implement full text search on complex nested JSONB in Postgresql 【发布时间】:2018-01-22 16:06:21 【问题描述】:我将相当复杂的 JSONB 存储在一个 jsonb
列中。
数据库表如下:
CREATE TABLE sites (
id text NOT NULL,
doc jsonb,
PRIMARY KEY (id)
)
我们存储在doc
列中的数据是一个复杂的嵌套JSONB
数据:
"_id": "123",
"type": "Site",
"identification": "Custom ID",
"title": "SITE 1",
"address": "UK, London, Mr Tom's street, 2",
"buildings": [
"uuid": "12312",
"identification": "Custom ID",
"name": "BUILDING 1",
"deposits": [
"uuid": "12312",
"identification": "Custom ID",
"audits": [
"uuid": "12312",
"sample_id": "SAMPLE ID"
]
]
]
所以我的JSONB
的结构如下:
SITE
-> ARRAY OF BUILDINGS
-> ARRAY OF DEPOSITS
-> ARRAY OF AUDITS
我们需要通过每种类型的条目中的一些值来实现全文搜索:
SITE (identification, title, address)
BUILDING (identification, name)
DEPOSIT (identification)
AUDIT (sample_id)
SQL 查询应仅在这些字段值中运行全文搜索。
我猜需要使用GIN
索引和tsvector
之类的东西,但没有足够的Postgresql 背景。
那么,我的问题是可以索引然后查询这种嵌套的JSONB
结构吗?
【问题讨论】:
第一个镜头是“非规范化”存储:为了简洁而牺牲一些存储空间。在单独的字段中提取所需的数据:站点、建筑物、存款、审计,包含所需字段的纯字符串连接,即building.identification ||';'||building.title||';'||building.address
等(这可以使用 postgres 的函数作为默认值或基于触发器来完成,如果您的数据已修改)。然后在这些字段上创建 GIN 索引 -> 然后在这些字段上构建相应的全文查询
谢谢@IlyaDyoshin。我喜欢你的想法 - 将尝试尝试它。
或者你可以等到 10.0 版本发布 - json/jsonb FTS 将成为一等公民postgresql.org/docs/10/static/release-10.html
哇,感谢@IlyaDyoshin 提供的信息:啤酒:
伙计们,请参阅下面的@Nick 方法。我测试了它 - 效果很好 + 1
【参考方案1】:
让我们添加tsvector
类型的新列:
alter table sites add column tsvector tsvector;
现在让我们创建一个触发器来收集词法,组织它们并放入我们的 tsvector。我们将使用 4 个组(A、B、C、D)——这是 tsvector 的一个特殊功能,允许您稍后在搜索时区分词法(参见手册中的示例https://www.postgresql.org/docs/current/static/textsearch-controls.html;不幸的是,此功能最多支持 4组,因为开发人员只为此保留了 2 位,但我们很幸运,我们只需要 4 个组):
create or replace function t_sites_tsvector() returns trigger as $$
declare
dic regconfig;
part_a text;
part_b text;
part_c text;
part_d text;
begin
dic := 'simple'; -- change if you need more advanced word processing (stemming, etc)
part_a := coalesce(new.doc->>'identification', '') || ' ' || coalesce(new.doc->>'title', '') || ' ' || coalesce(new.doc->>'address', '');
select into part_b string_agg(coalesce(a, ''), ' ') || ' ' || string_agg(coalesce(b, ''), ' ')
from (
select
jsonb_array_elements((new.doc->'buildings'))->>'identification',
jsonb_array_elements((new.doc->'buildings'))->>'name'
) _(a, b);
select into part_c string_agg(coalesce(c, ''), ' ')
from (
select jsonb_array_elements(b)->>'identification' from (
select jsonb_array_elements((new.doc->'buildings'))->'deposits'
) _(b)
) __(c);
select into part_d string_agg(coalesce(d, ''), ' ')
from (
select jsonb_array_elements(c)->>'sample_id'
from (
select jsonb_array_elements(b)->'audits' from (
select jsonb_array_elements((new.doc->'buildings'))->'deposits'
) _(b)
) __(c)
) ___(d);
new.tsvector := setweight(to_tsvector(dic, part_a), 'A')
|| setweight(to_tsvector(dic, part_b), 'B')
|| setweight(to_tsvector(dic, part_c), 'C')
|| setweight(to_tsvector(dic, part_d), 'D')
;
return new;
end;
$$ language plpgsql immutable;
create trigger t_sites_tsvector
before insert or update on sites for each row execute procedure t_sites_tsvector();
^^ -- 滚动它,这个 sn-p 比它看起来要大(尤其是你有没有滚动条的 MacOS...)
现在让我们创建 GIN 索引来加速搜索查询(如果您有很多行 - 例如,超过数百或数千行,这很有意义):
create index i_sites_fulltext on sites using gin(tsvector);
现在我们插入一些东西来检查:
insert into sites select 1, '
"_id": "123",
"type": "Site",
"identification": "Custom ID",
"title": "SITE 1",
"address": "UK, London, Mr Tom''s street, 2",
"buildings": [
"uuid": "12312",
"identification": "Custom ID",
"name": "BUILDING 1",
"deposits": [
"uuid": "12312",
"identification": "Custom ID",
"audits": [
"uuid": "12312",
"sample_id": "SAMPLE ID"
]
]
]
'::jsonb;
检查select * from sites;
- 您必须看到tsvector
列填充了一些数据。
现在让我们查询它:
select * from sites where tsvector @@ to_tsquery('simple', 'sample');
-- 它必须返回我们的记录。在这种情况下,我们搜索 'sample'
单词,我们不关心它会在哪个组中找到。
让我们更改它并尝试仅在 A 组中搜索(“SITE(标识、标题、地址)”,如您所描述的):
select * from sites where tsvector @@ to_tsquery('simple', 'sample:A');
-- 这必须不返回任何内容,因为单词 'sample'
仅位于 D 组(“AUDIT (sample_id)”)中。确实:
select * from sites where tsvector @@ to_tsquery('simple', 'sample:D');
-- 将再次返回我们的记录。
注意,您需要使用 to_tsquery(..)
,而不是 plainto_tsquery(..)
才能寻址 4 个组。所以你需要自己清理你的输入(避免使用或删除像&
和|
这样的特殊字符,因为它们在tsquery
值中有特殊含义)。
好消息是您可以在一个查询中组合不同的组,如下所示:
select * from sites where tsvector @@ to_tsquery('simple', 'sample:D & london:A');
另一种方法(例如,如果您必须使用 4 个以上的组)是拥有多个 tsvector,每个都位于单独的列中,使用单个查询构建它们,创建索引(您可以在多个tsvector
列)和查询寻址单独的列。它与我上面解释的类似,但效率可能较低。
希望这会有所帮助。
【讨论】:
非常感谢@Nick。很快就会考虑您的建议。 嘿@Nick 我忘了说你非常感谢)我测试了你的方法,效果很好!非常感谢你的朋友【参考方案2】:在 Postgres 10 中,事情似乎更简单了,因为 to_tsvector 函数支持 json。例如,这很好用:
UPDATE dataset SET search_vector = to_tsvector('english',
'
"abstract":"Abstract goes here",
"useConstraints":"None",
"dataQuality":"Good",
"Keyword":"historic",
"topicCategory":"Environment",
"responsibleOrganisation":"HES"
'::json)
where dataset_id = 4;
请注意,我没有在深度嵌套的结构上尝试过这个,但不明白为什么它不起作用
【讨论】:
以上是关于如何在 Postgresql 中实现对复杂嵌套 JSONB 的全文搜索的主要内容,如果未能解决你的问题,请参考以下文章